Лучшие модели эмбеддингов в 2026 году

Модель эмбеддингов определяет, что именно сможет найти ваша система поиска. Она преобразует каждый входной элемент в вектор и располагает связанные элементы близко друг к другу, что позволяет вашему приложению выполнять поиск по смыслу, а не по точным формулировкам.

Лучший выбор зависит от материалов, которые вам необходимо искать. Англоязычная база знаний, многоязычный архив поддержки, репозиторий исходного кода и коллекция текстов с изображениями предъявляют разные требования. Размер вектора, длина контекста, открытые веса и цена также могут повлиять на решение.

Мы отобрали модели для английского RAG, многоязычного поиска, поиска по коду, поиска по тексту и изображениям, а также для недорогого индексирования, после чего отправили реальные запросы к каждой из них через наш эндпоинт эмбеддингов.

Последняя проверка: 11 сентября 2026 г. На эту дату наш каталог моделей эмбеддингов содержал 37 записей, включая пакетные версии и версии предварительного просмотра некоторых моделей.

Провайдеры могут добавлять или удалять маршруты, а цены на промпты могут изменяться. Проверяйте текущую страницу модели перед началом масштабного индексирования или переиндексирования. Если страница модели отличается от данного руководства, используйте данные со страницы модели.

Кратко

• Начните с openai/text-embedding-3-small для английского RAG.
• Протестируйте voyageai/voyage-4-large, когда ваши входные данные превышают 8192 токена или если вы хотите переключаться между уровнями Voyage 4 без перестройки индекса. qwen/qwen3-embedding-8b имеет более длинное контекстное окно при более низкой цене промпта, если вам нужна альтернатива с открытыми весами.
• Используйте qwen/qwen3-embedding-8b для многоязычного поиска с открытыми весами, voyageai/voyage-code-4 для поиска по коду, а google/gemini-embedding-2 или voyageai/voyage-multimodal-3.5 для поиска по тексту и изображениям.
• perplexity/pplx-embed-v1-0.6b имеет самую низкую цену промпта среди платных текстовых моделей в нашем списке. nvidia/nemotron-3-embed-1b:free — это бесплатный маршрут текстовых эмбеддингов с контекстным окном в 32 768 токенов.
• Проверки через наш API подтверждают поведение запросов и ответов, а не качество поиска. Сравните по меньшей мере два кандидата на размеченных запросах и документах из вашего приложения перед созданием или перестройкой полного индекса.

Лучшие модели эмбеддингов по сценарию использования

Выберите модель по типу входных данных

Начните с материала, который вам необходимо искать. Диаграмма сортирует данные сначала по типу входных данных, затем по необходимости открытых весов и в последнюю очередь по вашему основному ограничению.

Диаграмма дает отправную точку. Сравните как минимум двух кандидатов с помощью запросов и документов из вашего приложения и отслеживайте, как часто каждая модель находит релевантные фрагменты, прежде чем строить или перестраивать большой индекс.

Как мы выбирали эти модели

Мы использовали наш актуальный каталог для подтверждения доступности, контекстных окон, типов входных данных и цен на промпты. Мы изучили документацию провайдеров моделей на предмет возможностей и результатов бенчмарков, а затем отправили реальные запросы через наш эндпоинт эмбеддингов для подтверждения поведения запросов и ответов.

Мы отправили пакетный запрос из двух строк к 19 моделям и выполнили в общей сложности 28 проверок, охватывающих пакетный ввод, настраиваемые размерности, ввод изображений, ввод текста и изображений, а также обработку ошибок. 16 платных моделей вернули по одному вектору на каждый входной элемент. Ответы подтвердили размерности по умолчанию, указанные в таблице ниже, и показали, что параметр dimensions работает с OpenAI Text Embedding 3 Small, Gemini Embedding 2 и Voyage 4 Large. Запрос несуществующей модели вернул ошибку 400 с сообщением Model openai/does-not-exist does not exist.

Три бесплатных маршрута вернули ошибку 404 из нашей тестовой учетной записи, поскольку ее настройки конфиденциальности не разрешают маршрутизацию к провайдерам, которые могут обучать свои модели на промптах пользователей. Мы описываем эту настройку в разделе бесплатных опций ниже. Размерности по умолчанию, указанные нами для этих моделей, взяты из их карточек моделей, а не из наших ответов.

Эти запросы подтвердили совместимость с API. Они не измеряли качество поиска. Мы исключили время отклика, так как каждая модель получила один небольшой запрос в различных условиях обслуживания. Мы сопоставили каждый сценарий использования с документированной возможностью, а затем использовали языковую поддержку, длину контекста, выходные размерности, открытые веса и цену промпта для сужения круга кандидатов. Опубликованные оценки, включая MTEB и CoIR, помогли нам определить модели для тестирования. Ваши размеченные результаты поиска должны определять, какую именно модель вы развернете.

Сравните отобранные модели эмбеддингов

Цены ниже — это цены на промпты, указанные в нашем каталоге по состоянию на 11 сентября 2026 года, а цена за изображения для Gemini Embedding 2 представляет собой значение из каталога на 18 сентября 2026 года. Размерности по умолчанию получены из наших реальных ответов, за исключением бесплатной модели NVIDIA, размерность по умолчанию для которой взята из карточки модели.

Столбец размерностей влияет на чистый размер индекса. См. формулу и примеры в разделе «Рассчитать объем хранилища векторов» ниже.

Наш каталог содержит больше моделей, чем показано в таблице. baai/bge-m3 добавляет еще один открытый многоязычный вариант, mistralai/mistral-embed-2312 представляет общую текстовую альтернативу, а mistralai/codestral-embed-2505 ориентирован на поиск по коду. Все три модели вернули векторы при проверке текстовых запросов. Каталог также содержит набор открытых моделей с поддержкой 512 токенов от BAAI, E5, GTE и Sentence Transformers стоимостью от $0.005 до $0.01 за миллион токенов, которые мы не тестировали для этого руководства.

Лучший выбор по умолчанию для английского RAG

Начните с openai/text-embedding-3-small, когда вам нужна управляемая модель для английской базы знаний. Ее вектор по умолчанию содержит 1536 значений — вдвое меньше, чем вектор по умолчанию у openai/text-embedding-3-large. При том же числовом формате Small использует вдвое меньше чистого пространства для хранения векторов. Сохраните значение по умолчанию в 1536 элементов для первой оценки и уменьшайте его только в том случае, если значение по умолчанию отвечает цели поиска, но затраты на хранение или поиск остаются ограничивающим фактором.

Вы можете сократить ее векторы с помощью параметра dimensions. Наш запрос с «dimensions»: 256 вернул вектор из 256 значений. Меньшие векторы занимают меньше места в базе данных и сокращают объем работы, необходимый для поиска сходства, но они также могут снизить качество поиска. Протестируйте меньший размер перед изменением существующего индекса.

OpenAI описывает text-embedding-3-large как свою самую мощную модель эмбеддингов для английского и других языков. Протестируйте ее, когда Small пропускает релевантные результаты, особенно когда пользователи выполняют поиск на разных языках. Переход на Large изменяет размер вектора и цену промпта, поэтому сравните обе модели на отложенных вопросах перед повторным встраиванием корпуса.

Если ваши входные данные превышают лимит Small в 8192 токена, протестируйте Voyage 4 Large. Для более коротких входных данных сравните обе модели, используя одни и те же фрагменты, запросы и метки релевантности.

Семейство Voyage 4 для больших объемов входных данных

Протестируйте voyageai/voyage-4-large, когда вам нужна управляемая модель с поддержкой 32 000 токенов, регулируемыми размерностями и совместимостью между уровнями Voyage 4. Она принимает до 32 000 токенов и поддерживает размерности 256, 512, 1024 и 2048. В нашей проверке API установка параметра dimensions в значение 512 вернула вектор с 512 значениями.

Семейство включает модели voyageai/voyage-4 и voyageai/voyage-4-lite, которые используют одно и то же окно контекста. Voyage заявляет, что все эмбеддинги, созданные с помощью 4-й серии, совместимы друг с другом. Это позволяет протестировать другой уровень Voyage 4 на существующем индексе. Проверьте изменение уровня на репрезентативной выборке перед развертыванием. Совместимое векторное пространство устраняет необходимость перестраивать индекс, но оно не гарантирует идентичные результаты поиска.

Запустите Large и как минимум один более низкий уровень Voyage 4 на одном и том же наборе для оценки. Если они находят те же релевантные фрагменты при том же пороге отсечения, более низкий уровень может удовлетворить вашим требованиям.

Модели Voyage предоставляются по управляемой подписке. Если вам нужны публичные веса для самостоятельного хостинга или контроля развертывания, Qwen3 Embedding 8B является альтернативой с открытыми весами в этом кратком списке.

Лучшая модель с открытыми весами для многоязычного поиска

qwen/qwen3-embedding-8b — это наш выбор с открытыми весами для многоязычных задач. Она поддерживает более 100 языков, и вы можете загрузить веса с Hugging Face или вызывать размещенную модель через наш API. Наш стандартный запрос к API вернул 4096 значений. При том же цифровом формате вектор из 4096 значений занимает в четыре раза больше „сырого“ места в памяти, чем вектор из 1024 значений. Учитывайте эту разницу при оценке размера индекса. Наши проверки через API не устанавливают, ищет ли Qwen3 Embedding 8B лучше, чем nvidia/nemotron-3-embed-1b:free. Когда стоимость маршрута и размер вектора влияют на решение, протестируйте обе модели на одном и том же размеченном наборе перед принятием окончательного решения.

В карточке модели Qwen сообщается о многоязычном баллах 70,58 в бенчмарке Massive TextEmbedding Benchmark (MTEB) по состоянию на 5 июня 2025 года. Это результат публичного бенчмарка, заявленный поставщиком. Используйте его, чтобы включить Qwen в шорт-лист, а затем протестируйте каждый язык и домен, поддерживаемый вашим приложением, поскольку ваш собственный корпус данных может дать иной рейтинг.

На странице модели указано окно контекста в 32 768 токенов, однако лимит устанавливается для каждого эндпоинта. 11 сентября 2026 года эндпоинты DeepInfra и SiliconFlow для Qwen3 Embedding 8B указывали 32 768 токенов, а эндпоинт Nebius — 32 000. Если вы отправляете входные данные длиннее 32 000 токенов, проверьте список эндпоинтов и закрепите провайдера с большим лимитом или поддерживайте объем входных данных на уровне или ниже 32 000 токенов.

Версия 4B использует то же окно контекста на уровне модели и в нашей проверке вернула 2560 значений. Для ее самостоятельного запуска требуется меньше ресурсов. Цены хостинга зависят от доступных провайдеров, поэтому перед выбором сравните актуальные страницы моделей для Qwen3 Embedding 8B и 4B.

baai/bge-m3 предоставляет вам вторую открытую многоязычную модель для сравнения с Qwen3 на вашем собственном наборе данных. Ее карточка модели охватывает более 100 языков и входные данные объемом до 8192 токенов, а наш запрос вернул вектор из 1024 значений. Исходная модель может возвращать несколько типов представлений, включая плотные и разреженные векторы. Наш стандартный ответ с эмбеддингами возвращает плотный вектор. Используйте исходную реализацию, если логика вашего поиска зависит от других ее типов представлений.

Лучшие модели эмбеддингов для поиска по коду

Используйте voyageai/voyage-code-4, когда запросу необходимо найти функцию, файл или фрагмент документации по коду. Voyage создала эту модель специально для поиска кода и рабочих процессов с агентами программирования. Ее окно контекста на 32 000 токенов может принимать длинные файлы или запросы, хотя фрагменты индекса все равно должны представлять собой единицы кода, которые полезны при извлечении.

mistralai/codestral-embed-2505 — основная альтернатива для работы с кодом в нашем каталоге. Она вернула 1536 значений в нашей проверке текстового запроса. Ее окно контекста составляет 8192 токена против 32 000 у Voyage Code 4. Сначала протестируйте Voyage Code 4, а Codestral Embed используйте в качестве модели для сравнения.

Публичные оценки могут помочь вам сравнить кандидатов. Бенчмарк поиска информации о коде, CoIR, содержит десять наборов данных, охватывающих восемь задач по поиску кода в семи доменах. Используйте его для сравнения моделей перед тестированием наиболее сильных кандидатов на задачах из ваших собственных репозиториев. Одно полезное внутреннее тестирование сопоставляет описания проблем или вопросы разработчиков с файлами и фрагментами, необходимыми для их решения.

Лучшие модели для поиска по тексту и изображениям

Используйте google/gemini-embedding-2, когда один и тот же индекс должен осуществлять поиск по тексту и изображениям. Она размещает оба типа входов в едином векторном пространстве, поэтому текстовый запрос может найти изображение со схожим смыслом, а запрос в виде изображения может найти связанный текст.

Мы проверили запросы с текстом, PNG-изображениями в кодировке base64, а также комбинированные запросы текста и изображений через наш эндпоинт эмбеддингов. Каждый запрос вернул один вектор с 3072 значениями. Мы также отправили текстовый запрос с параметром "dimensions": 768 и получили вектор из 768 значений. В нашей проверке PNG размером 64 на 64 пикселя учитывался как 258 токенов промпта и стоил 0,000128 доллара. Цены в нашем каталоге для изображений-входов этой модели указаны отдельно и составляют 0,45 доллара за миллион токенов изображений на странице модели по состоянию на 18 сентября 2026 года, поэтому проверьте страницу модели перед индексацией большой коллекции изображений. Это руководство ограничивает рекомендацию только текстовыми и графическими входами, поскольку это те типы запросов, которые мы проверили.

voyageai/voyage-multimodal-3.5 — вторая модель для работы с текстом и изображениями, которую мы проверили. Ее запрос с изображением и комбинированный запрос текста и изображения вернули векторы с 1024 значениями каждый, а тот же PNG размером 64 на 64 пикселя был учтен как 89 токенов промпта и стоил 0,00003 доллара. Она имеет окно контекста на 32 000 токенов и цену промпта 0,12 доллара за миллион токенов. Gemini Embedding 2 и Voyage Multimodal 3.5 используют разные векторные пространства, поэтому выберите одно из них до начала индексации.

google/gemini-embedding-001 — отдельная текстовая модель с окном контекста на 20 000 токенов. Эти две модели Gemini используют разные векторные пространства, поэтому переключение между ними требует повторного создания эмбеддингов для индекса.

nvidia/llama-nemotron-embed-vl-1b-v2:free — это бесплатный вариант для поиска по тексту и изображениям с окном контекста на 131 072 токена в нашем каталоге. Наш тестовый аккаунт не смог вызвать ее из-за соображений настройки конфиденциальности, описанных ниже, поэтому мы исключили ее из рекомендаций.

Лучшие бюджетные и бесплатные варианты

perplexity/pplx-embed-v1-0.6b имеет самую низкую платную цену за текст в нашем кратком списке — 0,004 доллара за миллион входных токенов. Она принимает до 32 000 токенов и возвращает вектор с 1024 значениями. Более крупная модель perplexity/pplx-embed-v1-4b возвращает 2560 значений и имеет цену промпта 0,03 доллара за миллион входных токенов.

Perplexity позиционирует модель 0.6B для легковесного поиска с низкими задержками, а модель 4B — для более высокого качества поиска. Наши проверки через API подтвердили размеры векторов по умолчанию, а не то, какая именно модель Perplexity ищет лучше. Рассматривайте позиционирование провайдера как сигнал для шорт-листа и сравнивайте обе модели на размеченных запросах.

Используйте бесплатный маршрут для оценки, а не в качестве единственного пути для масштабной задачи индексации в продакшене. Начните с nvidia/nemotron-3-embed-1b:free, если вам нужен бесплатный кандидат для тестирования. Он имеет окно контекста на 32 768 токенов, а в карте модели NVIDIA указаны выходной вектор размерностью 2 048 значений, поддержка оценки на 34 языках и возможность усечения вектора до меньшего размера с помощью L2-ренормализации. NVIDIA публикует веса под лицензией OpenMDW-1.1. Проверьте текущую страницу модели на предмет доступности и лимитов запросов, прежде чем использовать бесплатный маршрут для производственной индексации. Доступность и лимиты запросов могут измениться во время пакетной обработки.

Бесплатные маршруты в нашем каталоге обслуживаются провайдерами, чья политика конфиденциальности данных может разрешать обучение на ваших промптах. Настройки конфиденциальности вашей аккаунт-учетной записи содержат отдельные переключатели для платных и бесплатных моделей. Когда переключатель бесплатных моделей выключен, запрос к одному из таких маршрутов возвращает ошибку 404 с указанием настройки обучения на бесплатных моделях и перечислением исключенной конечной точки. В нашей тестовой учетной записи этот переключатель выключен, из-за чего три бесплатных маршрута не прошли наши проверки. Защитное ограничение рабочей области (guardrail), отключающее обучение на бесплатных моделях, или параметр provider.data_collection, установленный в значение deny для запроса, исключают те же конечные точки и вызывают такую же ошибку 404. Ознакомьтесь с политиками ведения журналов и обучения провайдеров, чтобы узнать, как мы применяем эти настройки.

liquid/lfm-2.5-embedding-350m:free — это второй бесплатный текстовый маршрут в коротком списке. Его окно контекста на 512 токенов ограничивает каждый ввод небольшим фрагментом, поэтому для более длинных документов требуются фрагменты меньшего размера, чем для других моделей в этом руководстве. Используйте его только тогда, когда каждый встроенный фрагмент укладывается в 512 токенов, например для коротких записей FAQ, заголовков или фрагментов на уровне предложений. Исключайте его, когда вашей единице поиска требуется более длинный контекст.

Оценивайте модели эмбеддингов на своих данных

Используйте один и тот же корпус, запросы, метки релевантности, разбиение на фрагменты (чанкинг) и метрику поиска для каждого кандидата. Меняйте модель, сохраняя остальную часть оценки неизменной, чтобы результаты оставались сопоставимыми.

Оценивайте англоязычный RAG

Используйте одинаковую стратегию чанкинга для каждого кандидата. Начните с фрагментов размером примерно от 512 до 1 024 токенов с перекрытием, а затем скорректируйте размер на основе структуры вашего документа и результатов поиска.

Начните с вопросов, которые задают ваши пользователи, и пометьте фрагменты, содержащие ответ. Измеряйте полноту (recall), используя то же количество извлеченных фрагментов, которое ваше приложение отправляет генеративной модели. Добавьте нормированный дисконтированный кумулятивный коэффициент (nDCG), когда релевантны несколько фрагментов, но одни полезнее других.

Оценивайте многоязычный поиск

Включите каждый язык, который планируете поддерживать. Добавьте межъязыковые кейсы, если пользователи могут написать запрос на одном языке и получить документ на другом. Отчитывайтесь по каждому языку отдельно наряду с общим средним значением, чтобы сильные результаты на одном языке не маскировали слабые на другом.

Оценивайте поиск по коду

Используйте вопросы разработчиков или описания проблем и пометьте файлы или фрагменты кода, которые их решают. Набор CoIR может дополнить этот набор. Метки, специфичные для вашего репозитория, должны иметь больший вес, поскольку они отражают поисковые запросы, которые будет выполнять ваше приложение.

Рассчитайте хранилище векторов

Включите хранилище векторов в сравнение. Один миллион 4096-мерных векторов float32 требует около 16,4 ГБ без учета накладных расходов индекса. Один миллион 1024-мерных векторов требует около 4,1 ГБ. Вы можете оценить объем «сырого» хранилища с помощью этой формулы:

Сравните качество поиска для каждого поддерживаемого размера векторов, затем выберите наименьший, который соответствует вашей цели. Используйте выбранную модель и размерность как для индексации, так и для запросов.

Используйте совместимые модели для индексации и запросов

Векторы из разных семейств моделей не разделяют общее пространство координат. Если вы индексируете документы с помощью openai/text-embedding-3-small, внедряйте каждый запрос с помощью той же модели и конфигурации. Смешивание моделей приводит к ненадежным результатам поиска. То же правило применимо к google/gemini-embedding-2 и google/gemini-embedding-001. Переключение между ними требует перестройки индекса.

Смена модели обычно требует повторного создания эмбеддингов корпуса. Компания Voyage разработала текстовые модели Voyage 4 так, чтобы они создавали совместимые векторы, что создает документированное исключение в рамках этого семейства. Протестируйте выборку перед изменением пути запроса или индексации, так как выбранный уровень все равно может повлиять на качество поиска.

Сохраняйте мнемоник модели (slug), выходную размерность, формат промпта и дату создания вместе с метаданными индекса. Некоторые модели эмбеддингов используют значение input_type для различения запросов (например, search_query) и индексируемого контента (например, search_document). Сохраняйте значение, используемое для каждой стороны, вместе с метаданными индекса. Эти поля позволяют последующему развертыванию проверить конфигурацию эмбеддингов перед запросом индекса.

Конечная точка остается неизменной для всего нашего каталога моделей. Мнемоник модели (slug) и выходная размерность должны соответствовать конфигурации, использовавшейся для построения индекса. Если вы построили индекс с размерностью, отличной от исходной по умолчанию, укажите такое же значение dimensions при внедрении эмбеддингов для запросов.

Вызовите модель эмбеддингов через наш API

Отправляйте запросы на адрес https://openrouter.ai/api/v1/embeddings. Этот пример на Python использует ту же форму пакетного запроса, которая прошла нашу проверку:

Ответ содержит по одному вектору для каждого ввода в том же порядке. Когда выбранная модель поддерживает настраиваемые размерности, добавьте в запрос "dimensions": 256 или другой поддерживаемый размер и сохраните это значение с метаданными индекса.

Для Gemini Embedding 2 и Voyage Multimodal 3.5 поместите изображение в массив content внутри списка input. Мы проверили эту структуру запроса с обеими моделями:

Пропустите текстовую часть, чтобы внедрить только изображение. Полную схему запросов и ответов смотрите в нашей документации по API эмбеддингов.

Часто задаваемые вопросы

Какую модель эмбеддингов мне следует использовать?

Выбирайте в зависимости от извлекаемого материала и ограничений, важных для развертывания. Начните с кандидатов, поддерживающих ваши типы ввода, языковое покрытие, длину контекста и требования к весам. Сравните по крайней мере два варианта на одних и тех же размеченных запросах, а затем выберите модель, которая соответствует вашим целевым показателям поиска при приемлемой стоимости хранения и индексации.

Могу ли я менять модели эмбеддингов без перестройки индекса?

Переход на другое семейство моделей требует перестройки индекса, поскольку документы и запросы должны использовать векторы из одной и той же модели и конфигурации. Voyage заявляет, что эмбеддинги из Voyage 4 Large, Voyage 4 и Voyage 4 Lite совместимы друг с другом. Проверьте качество поиска на выборке перед изменением уровней.

Какая модель эмбеддингов является самой быстрой?

Мы не проводили контролируемый бенчмарк задержки для этого руководства. Задержка меняется в зависимости от длины ввода, размера пакета, нагрузки провайдера и маршрутизации. Протестируйте конечные точки с помощью входных данных и размеров пакетов, которые будет использовать ваше приложение.

Стоит ли использовать наибольшую размерность эмбеддингов?

Выбирайте размерность эмбеддингов на основе результатов поиска и ограничений хранилища. Более высокие размерности требуют больше памяти и больше работы на один поиск по сходству. Когда модель поддерживает уменьшенные размерности, используйте наименьшую размерность, которая соответствует вашему целевому показателю поиска на вашем оценочном наборе.

Является ли text-embedding-ada-002 по-прежнему хорошим выбором по умолчанию?

Мы бы не стали использовать text-embedding-ada-002 в качестве модели по умолчанию для нового индекса на базе OpenAI. Сначала оцените text-embedding-3-small, а затем сравните ее с text-embedding-3-large, если результаты поиска оправдывают более высокую стоимость промптов и большие векторы.

Почему бесплатная модель эмбеддингов возвращает ошибку 404?

Бесплатные маршруты эмбеддингов в нашем каталоге обслуживаются провайдерами, чья политика конфиденциальности может разрешать обучение на ваших промптах. Если настройки конфиденциальности вашей учетной записи, средства защиты рабочего пространства или поле запроса provider.data_collection, установленное в значение deny, исключают провайдеров, которые проводят обучение на промптах бесплатных моделей, ни один эндпоинт не подходит, и запрос возвращает ошибку 404 с указанием на ограничение обучения бесплатной модели. Проверьте страницу конфиденциальности своей учетной записи и все средства защиты, примененные к ключу API, прежде чем считать идентификатор модели недействительным.